W pierwszej części artykułu (Ch&K 3/2009) przedstawiono teorie działania, modele numeryczne i matematyczne Sztucznych Sieci Neuronowych (SSN) oraz scharakteryzowano rodzaje tych sieci. Dopełnieniem tematu będzie omówienie, w niniejszej publikacji, sposobu uczenia jednokierunkowej sieci neuronowej metodą wstecznej propagacji błędów.

Uczenie w systemach biologicznych prawdopodobnie zmienia ustawienia w połączeniach synaptycznych, znajdujących się pomiędzy neuronami. Uczenie SSN natomiast zmienia liczbowe wartości wag znajdujących się również pomiędzy neuronami. Uczenie zatem zachodzi poprzez bezpośrednią ekspozycję rzeczywistego zestawu danych, gdzie algorytm uczący modeluje wagi połączeń. Te właśnie wagi połączeń mają zapisane dane niezbędne do rozwiązywania specyficznych problemów. Pomimo pojawienia się SSN w późnych latach 50., dopiero w połowie lat 80. stały się wystarczająco dojrzałe do zastosowania w poważnych aplikacjach. Kiedy uczymy sieć jednowarstwową (rys. 3), sytuacja jest klarowna. Znamy wartości wejść dla swojej warstwy, znane są również wartości wyjść wygenerowane przez nią, oraz wiemy, jakie mają być prawidłowe wartości wyjść. Na tej podstawie obliczony jest popełniany przez sieć błąd, zmieniamy wagi.